[发明专利]一种面向编译优化中计算代价约束问题的高效优化方法

摘要

本发明提供一种面向编译优化中计算代价约束问题的高效优化方法，是一种针对其计算代价约束问题的解决方案，属于编译器优化领域。该方法首先将编译优化序列进行二进制编码并设计适应度函数，使用交叉操作和选择操作迭代产生新种群，从而获取最优解。在此迭代过程中，使用编译优化序列以及对应的适应度值构造近似代理函数，针对种群中每个个体局部搜索，并使用局部最优解替代该个体，进而提高进化效率。本发明能够有效地为待编译程序选择最优编译优化序列，并且加快迭代速度，提高算法运行效率。

主权项

1.一种面向编译优化中计算代价约束问题的高效优化方法，其特征在于使用近似代理函数值替换实际适应度值以节省算法运行时间，步骤如下：步骤1：编码使用二进制编码，即由{0，1}字符集产生的0，1字符串来表示问题空间中的候选解；编译优化选项均为二值型，即使用或不使用该选项，其余数值型优化选项不考虑；在该二进制编码字符串中，0表示不使用对应位置的优化选项，1表示使用对应位置的优化选项；因本方法针对GCC编译器的编译优化序列选择，故使用固定顺序的二进制编码更贴切本方法中涉及的二值型优化选项；步骤2：初始化种群使用随机方法产生初始种群；步骤3：适应度函数构造针对编译后目标机器代码规模进行优化，若使用编译优化序列进行编译后得到的程序大小为S_i，未使用任何编译优化序列进行编译后得到的程序大小为S₀，则适应度函数定义为(S₀‑S_i)/S₀；步骤4：近似代理函数构造随机初始化种群后，对于种群中每一个个体对应的编译优化序列，使用这些编译优化序列编译程序，获取对应编译效果，然后由这些编译优化序列对应的选项作为自变量，将其对应优化效果的适应度值作为因变量，进而构造多元线性回归模型；在误差平方和最小的前提下，用最小二乘法求解多元线性回归模型参数，该多元线性回归模型即作为本方法的近似代理函数；步骤5：局部搜索局部搜索的过程是使用近似代理函数搜索种群中每一个个体对应的局部最优值，并使用其对应的局部最优个体替代种群中的原个体；因本方法使用二进制编码，故将邻域动作定义为反转其中一位，从而得到邻居解，这些邻居解组成邻域空间；针对每一个个体，利用近似代理函数计算得到其各个邻居解的近似适应度值，若此邻域空间内某个邻居解对应的适应度值最大，并且大于该个体，则使用此邻居解替换该个体，不断迭代该过程，最终使用该个体的局部最优解替代该个体；针对每一个个体都进行局部搜索后，则获得新种群；步骤6：进化操作本方法中进化操作为交叉运算；交叉操作是对种群中相互配对的个体按照一定方式交换部分基因，进而形成两个新的个体；本方法使用单点交叉的方式进行交叉操作，即在种群中个体对应的二进制编码串中随机设置一个交叉点，然后交换两个配对个体的部分编码串；步骤7：同步骤5，对步骤6中新产生的个体进行局部搜索，使用其局部最优解替代该个体；步骤8：选择操作选择的目的是把种群中优秀的个体直接遗传到下一代或通过配对交叉产生新个体后遗传给下一代；本法案使用轮盘赌方法选择下一代个体，是一种回放式随机采样方法，选择某一个个体进入下一代的概率是其适应度值与整个种群中所有个体适应度值之和的比例；步骤9：更新近似代理函数计算新种群中个体适应度值，合并新种群与原有种群所有编译优化序列优化效果数据，进而更新近似代理函数；步骤10：判断是否达到迭代终止条件，即算法运行到指定时间或者算法运行到指定迭代次数；若达到了终止条件，则终止迭代；否则，转到步骤6，继续迭代过程；步骤11：迭代终止，将种群中适应度值最大的个体作为最优解，从而获得待编译程序的最优编译优化序列。